METODE ENSEMBLE (BAGGING, BOOSTING DAN RANDOM FOREST)PADA CLASSIFICATION AND REGRESSION TREE (CART) UNTUKKLASIFIKASI KESERTAAN KELUARGA DALAM PELAKSANAANPROGRAM BINA KELUARGA LANSIA (BKL)PROVINSI JAWA TIMUR 2015

2017 
Proyeksi meningkatnya rata-rata usia harapan hidup penduduk Indonesia sebesar 71,7% pada tahun 2015-2020 memberikan konsekuensi peningkatan old dependency ratio. Kepedulian dan peran serta keluarga dalam merawat kesehatan fisik, mental dan sosial sangat diperlukan untuk mewujudkan lansia yang bertaqwa, mandiri, produktif dan bermanfaat bagi keluarga dan masyarakat. Tujuan penelitian ini adalah untuk mengetahui metode ensemble yang dapat meningkatkan akurasi klasifikasi kesertaan keluarga dalam pelaksanaan Program Bina Keluarga Lansia. Metode yang digunakan untuk klasifikasi adalah Classification And Regression Tree (CART) dengan penerapan metode ensemble (Bagging, Boosting dan Random Forest) yang dianalisis menggunakan aplikasi “Predictive Modeler (R)”. Variabel yang digunakan sebagai pemilah pohon klasifikasi CART dan paling menentukan kesertaan keluarga dalam Bina Keluarga Lansia adalah berpartisipasi dalam kegiatan di masyarakat (X14), melakukan pemeriksaan kesehatan (X3), memberi makanan bergizi (X1), beribadah (X6), berolahraga (X2), berkumpul dengan teman sebaya (X13). Data sampel yang tepat diklasifikasikan secara keseluruhan sebesar 94,71%, sedangkan akurasi prediksi pohon klasifikasi CART untuk kelas melaksanakan sebesar 100% dan kelas tidak melaksanakan sebesar 96,94%. Metode ensemble yang mampu menghasilkan akurasi klasifikasi yang lebih baik dibandingkan dengan pohon klasifikasi CART adalah Bagging sebesar 2,59%, dengan nilai 1-APER, sensitivity, specificity dan G-Means bernilai 1,0 pada data learning maupun data testing. BKKBN perlu memperkuat pembinaan program Bina Keluarga Lansia untuk memfasilitasi bagaimana keluarga untuk ikut berperan serta dalam kegiatan Bina Keluarga Lansia khususnya perilaku keluarga yang menentukan kesertaan keluarga dalam Bina Keluarga Lansia. Penerapan ensemble Boosting hendaknya mempertimbangkan karakteristik data, karena performa Boosting sangat tergantung pada karakteristik data sehingga akurasi klasifikasi dapat bervariasi. Penerapan ensemble Random Forest hendaknya mempertimbangkan jumlah variabel prediktor yang digunakan sebagai pemilah sehingga tidak terjadi korelasi antara pohon klasifikasi yang dihasilkan dan mencegah diperolehnya pohon dengan akurasi yang sangat rendah.
    • Correction
    • Source
    • Cite
    • Save
    • Machine Reading By IdeaReader
    0
    References
    0
    Citations
    NaN
    KQI
    []